PREDIKSI KEBUTUHAN BAHAN BAKU MENGGUNAKAN METODE LONG SHORT-TERM MEMORY (LSTM) UNTUK MENDUKUNG MANAJEMEN PERSEDIAAN

PURNAMA, MUHAMMAD ARI (2026) PREDIKSI KEBUTUHAN BAHAN BAKU MENGGUNAKAN METODE LONG SHORT-TERM MEMORY (LSTM) UNTUK MENDUKUNG MANAJEMEN PERSEDIAAN. Skripsi thesis, UNIVERSITAS SANGGA BUANA YPKP.

	Text COVER.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (119kB)
	Text Lembar Pengesahan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (161kB)
	Text Lembar Pernyataan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (134kB)
	Text ABSTRAK.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (267kB)
	Text BAB I.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (322kB)
	Text Draft Final Tugas Akhir_Muhammad Ari Purnama_2113218036.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text DAFTAR PUSTAKA.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (257kB)
	Text Surat hasil Cek plagiarisme.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (151kB)

Abstract

Pengelolaan stok bahan baku merupakan aspek krusial dalam industri Food and Beverage (F&B) untuk menjaga kelancaran operasional dan meminimalkan biaya. Namun, banyak UMKM seperti Sedjenak Mie Kopi masih mengandalkan pencatatan manual yang rentan terhadap kesalahan input, kurangnya transparansi, dan risiko ketidaksesuaian data. Penelitian ini bertujuan untuk membangun sistem informasi "Stock Barang" berbasis website yang mengimplementasikan metode Long Short-Term Memory (LSTM) untuk mengoptimalkan pengelolaan bahan baku melalui fitur prediksi kebutuhan stok dan notifikasi otomatis. Sistem dikembangkan menggunakan arsitektur hybrid yang mengintegrasikan PHP sebagai antarmuka manajemen dan Python sebagai mesin pemrosesan algoritma deep learning. Data historis transaksi periode Agustus 2025 hingga Februari 2026 digunakan sebagai dataset untuk melatih model LSTM dalam mengenali pola penggunaan bahan baku yang bersifat non-linear. Tingkat akurasi model dievaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa implementasi metode LSTM mampu memberikan proyeksi kebutuhan stok di masa mendatang secara akurat, sehingga membantu pihak manajemen dalam pengambilan keputusan pengadaan barang yang lebih tepat dan efisien. Kata Kunci: Algoritma LSTM, Manajemen Persediaan, Early Warning System, Prediksi Deret Waktu, Arsitektur Hybrid.

Actions (login required)

View Item